OptiPMB: 최적화된 포아송 다중베르누이 필터로 구현한 3D 다중 객체 추적

초록

본 논문은 자율주행 환경에서 3차원 다중 객체 추적(MOT)의 정확성을 높이기 위해, 기존 PMB 필터를 최적화하고 하이브리드 적응 탄생 모델, 가변 검출 확률, 밀도 가지치기·트랙 추출 모듈을 도입한 RFS 기반 트래커 OptiPMB를 제안한다. nuScenes와 KITTI 데이터셋에서 기존 모델 기반 방법들을 크게 앞서며, 특히 ID 유지와 occlusion 상황에서의 트랙 지속성에서 뛰어난 성능을 보인다.

상세 분석

OptiPMB는 랜덤 유한 집합(RFS) 이론에 기반한 베이지안 필터링 프레임워크를 채택함으로써 객체의 탄생·존속·소멸을 확률적으로 모델링한다. 기존 PMBM/PMB 기반 트래커는 표준 PPP(포아송 점 과정)와 베르누이 RFS를 이용해 검출되지 않은 객체와 검출된 객체를 각각 다루었지만, 복잡한 도시 환경에서 높은 클러터와 장시간 occlusion에 취약했다. 이를 극복하기 위해 저자는 세 가지 핵심 설계를 도입하였다.

첫째, 측정 기반 하이브리드 적응 탄생 모델은 기존의 고정된 탄생 강도 λ_b 를 측정 밀도와 탐지 신뢰도에 따라 동적으로 조정한다. 구체적으로, 현재 프레임의 검출 결과를 클러스터링하여 잠재적 신규 객체 후보를 추출하고, 각 후보에 대한 공간적·속도적 일관성을 평가해 탄생 확률을 가중한다. 이렇게 하면 급격히 변하는 교차로나 복잡한 교통 상황에서도 불필요한 가짜 트랙 생성을 억제하면서 실제 신규 객체를 빠르게 포착한다.

둘째, 가변 검출 확률(p_D) 파라미터는 객체가 occlusion에 들어갔을 때 트랙 손실을 최소화한다. 기존 PMB는 고정된 p_D 값을 사용해 생존 확률을 계산했지만, 실시간으로 객체의 가시성 지표(예: 레이저 포인트 밀도, 카메라 시야 내 비율)를 추정해 p_D 를 조정한다. 가시성이 낮아질수록 p_D 를 감소시켜 생존 확률을 보존하고, 가시성이 회복되면 빠르게 업데이트한다. 이 메커니즘은 ID 스위치와 트랙 파편화를 크게 감소시킨다.

셋째, 밀도 가지치기와 트랙 추출 최적화는 실시간성을 확보하면서도 정확도를 유지한다. 예측 단계에서 생성된 다중 베르누이 구성요소 중, 존재 확률 r이 사전에 정의된 임계값보다 낮은 요소를 조기에 제거하고, 남은 요소에 대해 고차원 상태 공간(위치·속도·가속·크기·방향)을 Gaussian Mixture 형태로 압축한다. 추출 단계에서는 존재 확률과 최신 측정 적합도를 복합 점수화해 최종 트랙을 선정한다. 이 과정은 불필요한 메모리 사용을 억제하고, 대규모 시점에서도 연산 부하를 일정 수준으로 유지한다.

실험 결과는 nuScenes와 KITTI 두 대규모 벤치마크에서 AMOTA, MOTA, IDS 등 주요 지표에서 기존 최고 수준의 모델 기반 트래커(예: GNN‑PMB, RFS‑M3)를 모두 앞선다. 특히 nuScenes에서 0.767의 AMOTA 점수를 기록했으며, 이는 동일 조건 하의 딥러닝 기반 트래커와도 경쟁 가능한 수준이다. 이러한 성과는 OptiPMB가 데이터 효율성(학습 데이터 최소화)과 해석 가능성(파라미터 직관성) 측면에서도 모델 기반 접근법의 강점을 재조명한다는 점에서 의미가 크다.